1.基于大数据分析的酿酒工艺优化方法，其特征在于，包括以下步骤：
步骤1.获取酿酒工艺的历史参数信息，所述酿酒工艺至少包括糖化环节、配糟环节、发酵环节和蒸馏环节；
步骤2.根据所述历史参数信息分别建立用于糖化环节的rbf模型、用于配糟环节的anfis模型、用于发酵环节的ls-svm模型和用于蒸馏环节的bp神经网络模型；
步骤3.获取酿酒工艺的实时参数信息，根据所述实时参数信息基于各个模型计算酿酒工艺各个环节的参数优化结果，根据所述参数优化结果对酿酒工艺的对应环节进行变量控制。
2.如权利要求1所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述历史参数信息包括：粮食糖化后的图片信息、母糟含水量、粮食温度、母糟淀粉含量和配糟比例，所述建立用于配糟环节的anfis模型的方法包括：
获取粮食糖化后的图片信息中的灰度共生矩阵对比度特征和hsv信息；
将所述灰度共生矩阵对比度特征、hsv信息、母糟含水量、粮食温度、母糟淀粉含量作为anfis模型的输入，将所述配糟比例作为anfis模型的输出进行训练得到用于配糟环节的anfis模型。
3.如权利要求2所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述anfis模型分为五层，包括：模糊化层、规则推理层、归一化层、去模糊层和输出层，为每一个模糊子集定制隶属度函数ua(x，θ1)，其中，θ1＝(a1i，a2i，b1i，b2i，c1i，c2i)为前件系数，当所述隶属度函数为钟型函数时，所述模糊化层的输出公式如下：
所述规则推理层的每一个节点对应一条模糊规则，用于计算每条模糊规则的激励强度，计算公式如下：
所述归一化层用于对所述激励强度归一化处理，计算得到各个模糊规则输出的加权系数，计算公式如下：
所述去模糊层用于根据模糊规则中的函数f(x，r，θ2)将模糊输出转化为精确输出，其中，θ2(p，q，r)为后件参数，所述转化公式为：
所述输出层用于对去模糊层的输出结果求和，求和公式为：
4.如权利要求3所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述anfis模型的学习算法为bp和lsm混合算法，学习步骤如下：
a.固定所述前件系数进行向前传播，获得用于调整后件参数的输出，所述输出为后件参数的线性组合，方程如下：
所述方程y＝a×θ1的最小二乘解为：
θ1＝a+y+(i-a+a)z；
式中，a+为a的moore-penrose广义逆，z为任意实数，其极小二乘解计算公式如下：
x＝a+b；
b.根据所述输出调整后件参数，根据调整后件参数后的输出计算误差，将所述误差反向传播至模糊化层，使用梯度下降法更新前件参数。
5.如权利要求1所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述历史参数信息包括：糖化时间、糖化环节加水温度、配糟比例、母糟淀粉含量和入窖糟醅淀粉含量，所述建立用于糖化环节的rbf模型的方法包括：
将所述糖化时间、糖化环节加水温度、配糟比例和母糟淀粉含量作为rbf模型的输入，将所述入窖糟醅淀粉含量作为rbf模型的输出进行训练得到用于糖化环节的rbf模型。
6.如权利要求5所述的基于大数据分析的酿酒工艺优化方法，其特征在于，还包括：
基于历史参数信息计算所述pbf模型的模型偏差，根据所述模型偏差建立修正模型，根据所述修正模型对rbf模型进行修正。
7.如权利要求1所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述历史参数信息包括：糖化时间、糖化环节加水温度、发酵时间、出窖酒精浓度、丁酸丁酯浓度和乙醇浓度，所述建立用于发酵环节的ls-svm模型的方法包括：
将所述糖化时间、糖化环节加水温度和发酵时间作为ls-svm模型的输入，将所述出窖酒精浓度、丁酸丁酯浓度和乙醇浓度作为ls-svm模型的输出进行训练得到用于发酵环节的ls-svm模型。
8.如权利要求7所述的基于大数据分析的酿酒工艺优化方法，其特征在于，还包括：通过遗传算法对所述ls-svm模型进行寻优，获得出窖酒精浓度、丁酸丁酯浓度和乙醇浓度最大时对应的糖化时间、糖化环节加水温度和发酵时间，并将其作为参数优化结果对发酵环节进行变量控制。
9.如权利要求1所述的基于大数据分析的酿酒工艺优化方法，其特征在于，所述历史参数信息包括：蒸汽流量、蒸馏时间、二段酒产出率和三段酒产出率，所述建立用于蒸馏环节的bp神经网络模型的方法包括：
将所述蒸汽流量和蒸馏时间作为bp神经网络模型的输入，将所述二段酒产出率和三段酒产出率作为bp神经网络模型的输出进行训练得到用于蒸馏环节的bp神经网络模型。
10.如权利要求9所述的基于大数据分析的酿酒工艺优化方法，其特征在于，还包括：通过粒子群算法对所述bp神经网络模型进行寻优，获得二段酒产出率和三段酒产出率最大时对应的蒸汽流量和蒸馏时间，并将其作为参数优化结果对蒸馏环节进行变量控制。